AI学习手札

前面讲了 Agent 相关的核心概念和工作架构。那么有哪些核心的设计让 Agent 能顺利且准确地完成任务呢？这次就学几个关键的核心设计来加深对 Agent 的理解。这次主要学习ReAct。

前面学习了 什么是AI Agent，更早也在 Langhcain-Tool 中学习了 Langchain 中怎么使用工具，其中也谈到了Function Calling技术。但是当时并没有细究。

前面我们在学习 Langchain 框架的时候，见过如下的代码。这里的create_agent 就是创建了一个Agent智能体。那么到底什么是 Agent 呢？他和原有的 LLM 有什么区别？

前面学习了 什么是 RAG 评估 以及相关指标。在相关 Demo 中也看到有些指标比较低，那么实际开发中该怎么去提升这些指标呢？ 指标的理想值并非一成不变，需结合业务场景的风险和需求来设定。

前情 本身这篇文章是在学习了 Langchain 基础之后的一篇记录，由于一些原因一直未整理完成。看题目也知道，这个项目是在学习 Langchain 中期的一个实战：用以巩固 Langchain 基础

前面分别讲了 AdvancedRAG 基于检索前和检索中的优化。当然，在检索后也有需要优化的点。 与检索前处理相对应，这是在完成检索后对检索出的相关知识块做必要补充处理的阶段。比如，检索结果重排序。

前言 前面讲了 AdvancedRAG 在检索前的各种优化，那么在检索时能做哪些优化呢？我们知道传统 RAG 采用向量相似度来检索。但是他有怎样的缺陷呢？

前言 书接上文(AdvancedRAG预检索-查询优化(一))，我们继续一起学习 AdvancedRAG 预检索中查询优化最后一种常用的技术手段：Multi-recall（多路召回）。

前言 前面讲的都是基于索引的优化。那么用户的查询就没有问题吗？答案是肯定的。所以 AdvancedRAG 在检索前基于`query`也做了一定优化。今天主讲 问题丰富 和问题拆解。

前言 书接上文(AdvancedRAG预检索-索引优化(一))，我们继续一起学习 AdvancedRAG 预检索的索引优化。 主要是假设性答案索引 和 元数据索引

前面讲了什么是 AdvancedRAG，以及简单讲了其较传统 RAG 的进步性。今天开始从代码层实战开始看看 AdvancedRAG 究竟依靠哪些技术实现了其先进性。主讲Advanc-预检索优化。

Advanced RAG是一套针对传统RAG（常被称为Naive RAG）流程中多个薄弱环节进行系统性增强的工程范式。其核心目标是通过在“检索前”和“检索后”引入智能处理层，以构建一个更稳健准确的系统

前言 前面系统学习了 RAG 的基础用法。那么这些用法从 Demo 迁移到真实、复杂、高要求的企业级应用会有问题吗？

Middleware（中间件）是一种 钩子（Hook）机制，它允许你在核心调用链路（如向LLM发起请求、调用工具、处理输出）的特定阶段注入自定义逻辑，而无需修改核心 Agent 或工具的代码。

前言 前面基本学习了 RAG 的基础使用，也简单有两个小的实战。那么 RAG 技术在现实中究竟有哪些常用的应用场景呢？ 这一篇我们就以一个实战项目来将之前学的 RAG 知识串联起来。

load_summarize_chain用于文档摘要的预构建解决方案，能够自动处理超出模型上下文长度的长文档。核心价值在于自动处理长文档分块、摘要策略选择和迭代优化，避免用户手动实现复杂的摘要流水线。

前言 在 Langchain-RAG中学习了RAG的整个流程。今天简单实现一个基于Langchain-RAG的Web网页摘要检索。 需求背景 我们在日常可能需要获取某个网页的核心摘要。

预制链 LangChain已经事先做好了很多LCEL链，今天，我们就简单看看几个常用的预置链及其使用。

前情 上一篇 讲了Langchain使用 Tool 的基本方法。今天就用一个实际小案例来回顾和巩固下Tool的使用。 我们现在实现一个这样的需求：向大模型查询某个地区的天气，返回天气情况。

大模型的边界能力 我们先看看下面一段代码，AI大模型执行的结果是什么呢？ AI居然不知道，是不是大跌眼镜呢？Langchain的Tool正式解决这个痛点的技术方案。